Backtesting.py中trade_on_close参数对订单执行价格的影响分析
2025-06-03 03:07:23作者:何将鹤
问题背景
在使用Backtesting.py进行策略回测时,trade_on_close参数控制着订单执行价格的选择。当设置为True时,理论上所有交易都应在当日收盘价执行;当设置为False时,则使用次日开盘价执行。然而,在某些版本中存在一个关键问题:即使trade_on_close=True,平仓订单仍可能错误地使用了次日开盘价而非当日收盘价。
技术细节解析
订单执行机制
Backtesting.py的订单执行机制分为两种模式:
-
trade_on_close=False模式:
- 买入订单:使用信号生成后次日的开盘价
- 卖出订单:同样使用次日的开盘价
- 这种模式下所有价格保持一致
-
trade_on_close=True模式:
- 买入订单:使用信号生成当日的收盘价(符合预期)
- 卖出订单:在某些版本中错误地使用了次日的开盘价(不符合预期)
- 导致买入和卖出价格基准不一致
价格处理的影响
这个问题在使用处理后的价格时尤为明显。常见场景是:
- 用户只对收盘价进行了处理(如除权除息处理)
- 开盘价、最高价、最低价保持原始未处理状态
- 当买入使用处理后收盘价而卖出使用未处理开盘价时,会导致回测结果失真
问题影响
这个bug会导致以下严重后果:
- 回测结果失真:由于买卖价格基准不一致,策略表现会被错误放大或缩小
- 策略评估偏差:Sharpe比率、最大回撤等关键指标计算不准确
- 前后版本不一致:不同版本的Backtesting.py可能产生截然不同的回测结果
解决方案
该问题已在Backtesting.py v0.6.2版本中修复。更新后:
- 当trade_on_close=True时,所有订单(包括平仓订单)都严格使用当日收盘价执行
- 确保了买卖价格基准的一致性
- 回测结果更加准确可靠
最佳实践建议
- 版本控制:确保使用最新稳定版本的Backtesting.py
- 价格一致性:如果使用处理后的价格,应对所有价格字段(Open/High/Low/Close)进行统一处理
- 结果验证:对于关键策略,建议在不同版本和参数设置下进行交叉验证
- 参数明确:明确记录回测时使用的trade_on_close参数值
总结
Backtesting.py中的trade_on_close参数对回测结果有着重要影响。理解其工作机制并确保正确使用,是获得可靠回测结果的关键。开发者应及时更新到修复版本,并在使用处理后的价格时保持各价格字段的一致性,这样才能确保策略评估的准确性和可比性。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
最新内容推荐
IEC61850建模工具及示例资源:智能电网自动化配置的完整指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库 海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 咖啡豆识别数据集:AI目标检测在咖啡质量控制中的革命性应用 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
184
197
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
480
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
276
97
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
380
3.44 K
暂无简介
Dart
624
140
React Native鸿蒙化仓库
JavaScript
242
315
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
648
265
openGauss kernel ~ openGauss is an open source relational database management system
C++
157
210